3. 巡检体系设计：巡检目标、巡检频率、巡检指标与工具选型

网络缓存巡检是保障缓存系统稳定、高效运行的核心手段。一个完整的巡检体系需要明确“为什么巡”、“多久巡”、“巡什么”以及“用什么巡”。本章从这四个维度展开，结合 CoreDNS 与缓存层的实际运维场景，构建可落地的巡检框架。

3.1 巡检目标

巡检目标决定了巡检的覆盖范围与优先级。对于网络缓存系统（包括 CoreDNS 缓存、反向代理缓存、分布式缓存等），巡检目标分为三个层次：

3.2 巡检频率

巡检频率需平衡“及时发现异常”与“避免监控系统自身成为瓶颈”。不同指标对时效性的要求差异较大：

• 高频率（秒级 ~ 分钟级）： 核心性能指标（命中率、延迟、错误率）。建议 15s ~ 60s 采集一次，用于实时告警与 Dashboard 展示。
• 中频率（分钟级 ~ 小时级）： 缓存一致性校验、配置变更审计。建议每 5 ~ 30 分钟执行一次，避免频繁请求源站。
• 低频率（小时级 ~ 天级）： 缓存容量规划、日志归档、证书过期检查。建议每日或每周执行一次。

3.3 巡检指标：命中率、延迟、错误率

这三个指标构成缓存巡检的“黄金三角”，任何一项偏离基线都意味着缓存系统需要干预。

3.3.1 命中率（Hit Ratio）

命中率是缓存系统最核心的效率指标。计算公式：

命中率 = 缓存命中次数 / (缓存命中次数 + 缓存未命中次数) × 100%

在 CoreDNS 中，可通过 coredns_cache_hits_total 与 coredns_cache_misses_total 指标计算。命中率过低通常由以下原因导致：

• 缓存容量不足，导致频繁驱逐（Eviction）。
• TTL 设置过短，缓存记录频繁过期。
• 查询的域名分布过于分散，缺乏热点。

3.3.2 延迟（Latency）

延迟反映缓存系统的响应速度。需要区分“缓存命中延迟”与“缓存未命中延迟”：

• 命中延迟： 从缓存直接返回数据的时间，通常 < 1ms。
• 未命中延迟： 缓存 Miss 后回源查询的时间，可能达到 10ms ~ 100ms 甚至更高。

在 CoreDNS 中，coredns_dns_request_duration_seconds 指标按 zone 和 type 维度暴露延迟分布。巡检时应关注 P99 延迟，而非平均值。

3.3.3 错误率（Error Rate）

错误率指缓存系统返回非成功状态码的比例。对于 CoreDNS，错误包括 NXDOMAIN、SERVFAIL、REFUSED 等。计算公式：

错误率 = 错误响应总数 / 总请求数 × 100%

错误率突增可能的原因：

• 上游 DNS 服务器不可达或超时。
• CoreDNS 插件配置错误（如 forward 目标失效）。
• 缓存数据损坏或格式异常。

3.4 巡检工具选型

工具选型需考虑部署环境（Kubernetes / 虚拟机 / 物理机）、指标暴露方式（Prometheus / StatsD / 日志）以及团队技术栈。以下为推荐组合：

3.5 巡检体系架构图

下图展示了缓存巡检体系的整体架构，涵盖指标采集、存储、可视化与告警链路：

3.6 巡检指标与告警阈值速查表

以下为 CoreDNS 缓存巡检的核心指标与推荐告警阈值，可直接用于 Prometheus 告警规则配置：